《基于深度学习的复杂退化系统剩余寿命智能预测技术》主要包括融合深度连续置信网络与随机过程的退化系统剩余寿命预测、基于深度学习的退化系统剩余寿命预测、贝叶斯深度学习框架下退化系统剩余寿命不确定性量化、零寿命标签下基于网络模型平均的退化系统剩余寿命预测、零寿命标签下退化系统剩余寿命不确定性量化、基于深度卷积生成对抗网络的缺失数据生成方法及剩余寿命预测应用、基于多维相似度的数据生成方法及剩余寿命预测应用。
　　《基于深度学习的复杂退化系统剩余寿命智能预测技术》对于引导初学者和低年级研究生掌握该领域相关知识具有促进和推动作用，同时为工业4.0时代下工程技术人员预测复杂退化系统剩余寿命提供参考依据和技术指南。

第1章 概述
1．1 DNN方法
1．2 DBN方法
1．3 CNN方法
1．4 RNN方法
1．5 本书结构安排

第2章 融合深度连续置信网络与随机过程的退化系统剩余寿命预测
2．1 引言
2．2 基于CDBN的深度特征提取方法
2．2．1 RBM的原理介绍
2．2．2 CRBM的实现过程
2．2．3 深度特征提取机制
2．3 健康指标的确定
2．4 基于扩散过程的剩余寿命预测
2．4．1 健康指标建模与剩余寿命预测
2．4．2 随机参数后验估计
2．4．3 基于EM算法的模型参数更新
2．5 实例研究
2．5．1 实验平台以及测试数据介绍
2．5．2 健康指标确定与比较研究
2．5．3 剩余寿命预测与比较研究
2．6 本章小结

第3章 基于深度学习的退化系统剩余寿命预测
3．1 引言
3．2 问题描述
3．3 网络构造
3．3．1 标准RNN神经元
3．3．2 LSTM神经元
3．3．3 LSTM网络
3．4 实例验证
3．4．1 训练数据集构造
3．4．2 预测结果评估
3．4．3 试验结果
3．5 本章小结

第4章 贝叶斯深度学习框架下退化系统剩余寿命不确定性量化
4．1 引言
4．2 问题来源和问题描述
4．3 网络构造及其随机权重系数的贝叶斯变分推理
4．3．1 双向GRU递归神经网络
4．3．2 神经网络的贝叶斯建模分析
4．3．3 神经网络随机权重系数的贝叶斯变分推理
4．4 基于深度维Dropout方法的随机权重系数近似分布推理
4．5 实例验证
4．5．1 训练数据集构造与评估方法
4．5．2 试验结果
4．6 本章小结

第5章 零寿命标签下基于网络模型平均的退化系统剩余寿命预测
5．1 引言
5．2 问题描述
5．3 双向LSTM网络的构造与训练
5．3．1 网络构造
5．3．2 网络训练过拟合与权值规范化
5．4 零寿命标签网络剩余寿命预测算法及其不确定性度量
5．4．1 零寿命标签网络剩余寿命预测算法及其不确定性分析
5．4．2 零寿命标签网络的不确定性度量
5．5 实例验证
5．5．1 数据集构造
5．5．2 不同类型递归网络性能比较
5．5．3 网络模型平均方法的有效性验证
5．6 本章小结

第6章 零寿命标签下退化系统剩余寿命不确定性量化
6．1 引言
6．2 问题描述与模型框架
6．2．1 问题描述
6．2．2 模型框架
6．3 数据预处理
6．3．1 归一化处理
6．3．2 滑动时间窗处理
6．4 基于贝叶斯双向RNN的健康指标预测
……
第7章 基于深度卷积生成对抗网络的缺失数据生成方法及剩余寿命预测应用
第8章 基于多维相似度的数据生成方法及剩余寿命预测应用
参考文献